¿Cómo normalizar una matriz numpy bidimensional en Python menos detallada?

Dada una matriz de números 3 por 3

a = numpy.arange(0,27,3).reshape(3,3)

# array([[ 0,  3,  6],
#        [ 9, 12, 15],
#        [18, 21, 24]])

Para normalizar las filas de la matriz bidimensional que pensé

row_sums = a.sum(axis=1) # array([ 9, 36, 63])
new_matrix = numpy.zeros((3,3))
for i, (row, row_sum) in enumerate(zip(a, row_sums)):
    new_matrix[i,:] = row / row_sum

Debe haber una forma mejor, ¿no es así?

Quizás para aclarar: por normalizar quiero decir, la suma de las entradas por fila debe ser uno. Pero creo que eso quedará claro para la mayoría de la gente.

La transmisión es realmente buena para esto:

row_sums = a.sum(axis=1)
new_matrix = a / row_sums[:, numpy.newaxis]

row_sums[:, numpy.newaxis]transforma row_sums de ser (3,)a ser (3, 1). Cuando lo hacen a / b, ay bse transmiten entre sí.

Puede obtener más información sobre la transmisión aquí o incluso mejor aquí .

Scikit-learn tiene una función de normalización que le permite aplicar varias normalizaciones. El "haz que sume a 1" es la norma L1, y para tomar eso:

from sklearn.preprocessing import normalize
matrix = numpy.arange(0,27,3).reshape(3,3).astype(numpy.float64)

#array([[  0.,   3.,   6.],
#   [  9.,  12.,  15.],
#   [ 18.,  21.,  24.]])

normed_matrix = normalize(matrix, axis=1, norm='l1')

#[[ 0.          0.33333333  0.66666667]
#[ 0.25        0.33333333  0.41666667]
#[ 0.28571429  0.33333333  0.38095238]]

Ahora sus filas sumarán 1.

Creo que esto debería funcionar,

a = numpy.arange(0,27.,3).reshape(3,3)

a /=  a.sum(axis=1)[:,numpy.newaxis]

En caso de que esté intentando normalizar cada fila de modo que su magnitud sea uno (es decir, la unidad de longitud de una fila es uno o la suma del cuadrado de cada elemento en una fila es uno):

import numpy as np

a = np.arange(0,27,3).reshape(3,3)

result = a / np.linalg.norm(a, axis=-1)[:, np.newaxis]
# array([[ 0.        ,  0.4472136 ,  0.89442719],
#        [ 0.42426407,  0.56568542,  0.70710678],
#        [ 0.49153915,  0.57346234,  0.65538554]])

Verificando:

np.sum( result**2, axis=-1 )
# array([ 1.,  1.,  1.]) 

Creo que se puede normalizar la suma de elementos de fila 1 por el siguiente: new_matrix = a / a.sum(axis=1, keepdims=1). Y la normalización de la columna se puede hacer con new_matrix = a / a.sum(axis=0, keepdims=1). Espero que esto pueda ayudar.

Podrías usar la función numpy incorporada: np.linalg.norm(a, axis = 1, keepdims = True)

parece que esto también funciona

def normalizeRows(M):
    row_sums = M.sum(axis=1)
    return M / row_sums

También puede usar la transposición de matriz:

(a.T / row_sums).T

O usando la función lambda, como

>>> vec = np.arange(0,27,3).reshape(3,3)
>>> import numpy as np
>>> norm_vec = map(lambda row: row/np.linalg.norm(row), vec)

cada vector de vec tendrá una norma unitaria.

Aquí hay otra forma posible de usar reshape:

a_norm = (a/a.sum(axis=1).reshape(-1,1)).round(3)
print(a_norm)

O usando Noneobras también:

a_norm = (a/a.sum(axis=1)[:,None]).round(3)
print(a_norm)

Salida :

array([[0.   , 0.333, 0.667],
       [0.25 , 0.333, 0.417],
       [0.286, 0.333, 0.381]])

normed_matrix = normalize(input_data, axis=1, norm='l1')
print(normed_matrix)

donde input_data es el nombre de su matriz 2D